Resumen

Equilibrar la convergencia y la diversidad se ha convertido en un punto clave, especialmente en la optimización de muchos objetivos, donde el gran número de objetivos plantea muchos desafíos a los algoritmos evolutivos. En este trabajo, se propone un algoritmo evolutivo basado en la oposición con el mecanismo de agrupación adaptativa para resolver el problema de optimización compleja. En particular, el aprendizaje basado en la oposición se integra en el algoritmo propuesto para inicializar la solución, y el esquema de ordenación no dominante con un nuevo mecanismo de clustering adaptativo se adopta en la fase de selección del entorno para asegurar tanto la convergencia como la diversidad. El método propuesto se compara con otros nueve algoritmos evolutivos en una serie de problemas de prueba con hasta quince objetivos, que verifican el mejor rendimiento del algoritmo propuesto. Además, el algoritmo se aplica a una variedad de problemas de optimización multiobjetivo de ingeniería. Los resultados experimentales han demostrado la competitividad y eficacia de nuestro algoritmo propuesto en la resolución de problemas desafiantes del mundo real.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:mecanismo de agrupación adaptable, algoritmo propuesto, algoritmo evolutivo, número de pruebas, algoritmo evolutivo basado, problema de optimización de ingeniería, esquema de ordenación no dominante, fase de selección del entorno, número de objetivos, problema de optimización complejo
• Keywords:adaptive clustering mechanism, proposed algorithm, evolutionary algorithm, number of test, based evolutionary algorithm, engineering optimization problem, nondominated sorting scheme, environmental selection phase, number of objectives, complex optimization problem